Randomized Trial Protocol: Epic Generative AI Chart Summarization Tool to Reduce Ambulatory Provider Cognitive Task Load

Este ensayo controlado aleatorizado de 90 días evalúa si el acceso a una nueva herramienta de resumen de historiales clínicos basada en inteligencia artificial generativa de Epic reduce la carga cognitiva de los proveedores ambulatorios en comparación con la atención habitual, utilizando como resultado principal la carga de tareas y métricas exploratorias de tiempo, agotamiento y satisfacción.

Lo esencial

¡Claro que sí! Imagina que este documento es el plan de una gran prueba de fuego para ver si una nueva herramienta tecnológica puede salvar a los médicos del agotamiento mental.

Aquí tienes la explicación en español, usando analogías sencillas:

🏥 El Problema: La "Carga de la Mochila"

Imagina que un médico es como un chef en una cocina muy ocupada. Antes de cocinar (atender a un paciente), el chef tiene que revisar docenas de recetas antiguas, listas de compras y notas de otros chefs para saber qué ingredientes tiene y qué se comió el cliente la última vez.

En el mundo real, esto es lo que los médicos hacen revisando la Historia Clínica Electrónica (EHR) antes de ver a un paciente. Tienen que leer cientos de páginas de notas, resultados de laboratorio y consultas anteriores. Es como intentar encontrar una aguja en un pajar mientras te persigue un oso. Esto les quita mucho tiempo, les cansa la mente y es una de las razones principales por las que muchos médicos se sienten agotados y estresados (lo que llamamos "burnout").

🤖 La Nueva Herramienta: El "Asistente Mágico"

Epic (la empresa que hace el software de los hospitales) ha creado un nuevo asistente inteligente (Inteligencia Artificial Generativa).

Imagina que este asistente es como un bibliotecario super rápido que, en lugar de dejarte buscar en miles de libros, te entrega un resumen de una sola página con lo más importante de la historia del paciente.

• Lo que hace: Lee todas las notas antiguas y te dice: "Aquí tienes los puntos clave: el paciente tiene diabetes, tomó este medicamento el mes pasado y tuvo una alergia en 2020".
• Lo que NO hace: No decide qué medicina recetar (no es un adivino), solo resume lo que ya está escrito.

🧪 El Experimento: La Carrera de 3 Meses

Los autores de este estudio quieren saber si este "bibliotecario mágico" realmente ayuda. Para averiguarlo, van a hacer una carrera controlada durante 3 meses con 284 médicos en UCLA (Los Ángeles).

1. El Sorteo: Como en un sorteo de lotería, dividirán a los médicos en dos grupos:

   • Grupo A (Los Elegidos): Tendrán acceso al "bibliotecario mágico" (la IA) para usarlo si quieren.
   • Grupo B (El Equipo de Control): Tendrán que seguir haciendo lo de siempre, buscando y leyendo todo manualmente, sin ayuda de la IA.

2. La Meta: Quieren medir si el Grupo A se siente menos cansado mentalmente y si termina su trabajo más rápido que el Grupo B.

📊 ¿Qué van a medir? (Las Pistas)

No solo van a preguntar "¿Te gustó?", van a mirar datos reales:

• El "Termómetro de Estrés": Usarán una encuesta especial para ver cuánto esfuerzo mental sienten al revisar las historias clínicas.
• El "Cronómetro": Medirán cuánto tiempo pasan frente a la computadora antes de ver al paciente.
• La "Felicidad Laboral": Verán si los médicos se sienten más realizados y menos quemados.
• La Opinión del Paciente: Preguntarán a los pacientes si sienten que el médico los conocía mejor y estaba más preparado.

⚠️ Los Riesgos y Limitaciones (El "Pero...")

Como toda nueva tecnología, hay cosas a tener en cuenta:

• Alucinaciones: A veces, la IA puede inventar cosas (como un bibliotecario que se equivoca de libro). Los médicos tendrán que revisar que el resumen sea correcto.
• No es un Ciego: Como los médicos saben si tienen la herramienta o no, podrían usarla más o menos de lo que deberían (sesgo).
• Solo un Hospital: La prueba es solo en UCLA. Lo que funcione allí podría no funcionar igual en un hospital rural o con otro sistema informático.

🎯 El Objetivo Final

Al final de los 3 meses, los investigadores dirán: "¿Vale la pena pagar por este bibliotecario mágico?".

Si la prueba demuestra que la IA reduce el estrés y ahorra tiempo, los hospitales podrían adoptarla masivamente para que los médicos puedan volver a concentrarse en lo más importante: cuidar a las personas, en lugar de perder horas leyendo papeles digitales.

En resumen: Es una carrera para ver si la Inteligencia Artificial puede ser el "superpoder" que los médicos necesitan para dejar de sentirse abrumados por la burocracia y volver a ser los héroes de la medicina.

Resumen técnico

A continuación presento un resumen técnico detallado del protocolo de ensayo clínico descrito en el documento, traducido y estructurado en español.

Nota Importante: El documento proporcionado es un protocolo de estudio (versión v1.0, febrero de 2026) y no un informe de resultados finales. Por lo tanto, no contiene resultados empíricos ni conclusiones sobre la eficacia del tratamiento, ya que el estudio está diseñado para ser ejecutado en el futuro inmediato. El resumen se centra en la problemática planteada, la metodología propuesta, las contribuciones esperadas y la significancia del diseño.

---

Resumen Técnico: Ensayo Aleatorizado sobre Herramienta de Resumen de Historias Clínicas con IA Generativa

1. Problema y Justificación

La documentación en la Historia Clínica Electrónica (HCE) y la revisión de expedientes previos ("pre-charting") son factores principales de la carga cognitiva y el agotamiento profesional (burnout) entre los proveedores de atención ambulatoria. Este proceso consume tiempo valioso, a menudo extendiéndose fuera del horario laboral ("tiempo de pijama"), lo que afecta la calidad de la atención y la eficiencia.

Aunque Epic Systems ha lanzado herramientas de resumen generadas por Inteligencia Artificial (IA) para mitigar esta carga, su implementación masiva carece de evaluación rigurosa en ensayos controlados aleatorizados (ECA). Existen preocupaciones sobre la precisión de la IA (alucinaciones, omisiones), la latencia técnica y el diseño de la interfaz, lo que impide asumir su valor neto sin evidencia empírica en entornos clínicos reales.

2. Metodología del Estudio

• Diseño: Ensayo controlado aleatorizado (ECA) pragmático, de dos brazos y grupos paralelos.
• Duración: 90 días (del 23/02/2026 al 24/05/2026).
• Asignación: 1:1 (Intervención vs. Cuidado habitual).
• Población: 284 proveedores ambulatorios (médicos y profesionales avanzados de la práctica) de múltiples especialidades en el sistema de salud UCLA. Se excluyen residentes, becarios y psicólogos.
• Aleatorización: Estratificada por la posesión de una licencia activa de "scribes" (transcriptores) de IA y restringida por covariables para equilibrar la carga de tareas basales (PTL) y el tiempo de revisión de expedientes.
• Intervención:
  • Brazo Intervención: Acceso a la herramienta nativa de Epic de resumen de notas clínicas generada por IA. La herramienta resume automáticamente las notas históricas más recientes (hasta 24,000 caracteres o 30 notas) de los pacientes programados. Es de uso opcional, no ofrece soporte de decisión clínica y se basa únicamente en notas clínicas (no incluye laboratorios o imágenes).
  • Brazo Control: Flujo de trabajo habitual de revisión de expedientes sin acceso a la herramienta de resumen.
• Cegamiento: No es posible cegar a los participantes debido a la naturaleza de la intervención.

3. Resultados y Métricas (Definidos en el Protocolo)

Dado que es un protocolo, los siguientes son los objetivos de medición definidos, no resultados obtenidos:

• Resultado Primario:

  • Cambio en la Carga de Tareas del Médico (PTL): Adaptación de 4 ítems del Índice de Carga de Tareas NASA (TLX) enfocados en la demanda mental, temporal, física y el esfuerzo durante la pre-visualización de expedientes. Escala de 0 a 400.

• Resultados Exploratorios:

  • Métricas de Tiempo (Objetivas): Tiempo total de revisión de expedientes por consulta derivado de la base de datos de Epic (Caboodle) y métricas de actividad (Signal), excluyendo la escritura de notas y la firma de encuentros.
  • Bienestar Profesional: Índice de Realización Profesional (PFI) para medir agotamiento y desapego interpersonal.
  • Usabilidad y Satisfacción: Escala de Usabilidad del Sistema (SUS) y encuestas de satisfacción del proveedor.
  • Seguridad: Reporte de errores clínicos significativos, alucinaciones y eventos de seguridad percibidos.
  • Experiencia del Paciente: Cambios en las puntuaciones CG-CAHPS, específicamente la percepción del paciente sobre si el médico conocía su historial médico.
  • Productividad: Unidades de Valor Relativo (RVU) por semana.

• Análisis de Subgrupos: Se evaluará la modificación del efecto según la alfabetización en IA (escala MAILS), especialidad, complejidad de la cartera de pacientes (RAF), y acceso previo a transcriptores de IA.

4. Contribuciones Clave del Estudio

1. Rigor Científico: Es, según los autores, el primer Ensayo Controlado Aleatorizado (ECA) que evalúa una herramienta de resumen de notas basada en IA generativa integrada nativamente en la HCE (Epic).
2. Enfoque Multidimensional: Combina resultados subjetivos (encuestas de carga cognitiva y burnout) con métricas objetivas derivadas de la HCE (tiempo de actividad real), superando las limitaciones de estudios previos de tipo "antes y después" o cuasi-experimentales.
3. Evaluación de Seguridad y Riesgo: Incluye una evaluación explícita de la seguridad clínica, la frecuencia de alucinaciones y la precisión percibida, abordando una brecha crítica en la literatura actual sobre IA en salud.
4. Toma de Decisiones Basada en Datos: Proporcionará a UCLA Health y a la industria de la salud evidencia empírica para decisiones de inversión y adopción tecnológica, más allá de la promesa teórica de la IA.

5. Significancia y Limitaciones

Significancia:
El estudio busca llenar una brecha crítica de conocimiento sobre la utilidad real de la IA generativa en flujos de trabajo clínicos. Si la herramienta reduce la carga cognitiva y el tiempo de pre-visualización sin comprometer la seguridad, podría transformar la eficiencia en la atención ambulatoria y mitigar el burnout. Los resultados guiarán la política de adopción de IA en sistemas de salud integrados.

Limitaciones Identificadas en el Protocolo:

• Generalización: Es un estudio de un solo centro (UCLA Health) con una HCE específica (Epic), lo que podría limitar la aplicabilidad a otros sistemas.
• Sesgo de Desempeño: La falta de cegamiento y el uso opcional de la herramienta pueden introducir sesgos (los participantes pueden usar la herramienta de manera diferente a como lo harían en un entorno obligatorio).
• Duración: El periodo de 3 meses es corto para capturar efectos a largo plazo o la curva de aprendizaje completa.
• Dependencia de Auto-reporte: Resultados clave como el burnout dependen de encuestas subjetivas.

Conclusión del Protocolo:
El estudio está diseñado para generar datos de alta calidad sobre la experiencia del usuario y el impacto operativo de la IA generativa en la atención primaria y especializada. Los resultados se difundirán a través de prepublicaciones y publicaciones revisadas por pares una vez finalizado el periodo de intervención y el análisis de datos.